feat(在学练习): 概率论第3讲四件套 + 数列小练加强版/审计;修复 .gitignore 失效规则

新增
- 在学练习/概率论-第3讲-多维随机变量及其分布/:README + 01考点手册 + 02试题 + 03解析 + 04答疑笔记
- 每日小练/02-数列-加强版.md、02-数列-知识点复习.md、02-数列-质量审计.md、02-数列.md
- .workbuddy/memory/2026-10-13.md(工作记忆)

更新
- 每日小练/README.md:02 状态、新增"复习手册"节、frontmatter 双链
- 总览.md:目录结构同步(在学练习/、每日小练新增文件)
- .gitignore:原先将注释写在行尾,导致 solutions/、papers/images/、papers/*.md 等排除规则
  全部失效(约 205MB 图片/PDF 处于待推送状态)。改为行首注释,并新增忽略 参考仓库/(嵌套仓库)

移除
- 数学一/知识点/ 下 8 个笔记与 以题带点/2023-17-微分方程建模.md(本地已删除,按用户确认同步)
This commit is contained in:
2026-10-14 12:23:11 +08:00
parent 0c199f6f72
commit 82f15e18d9
22 changed files with 2527 additions and 1364 deletions
@@ -0,0 +1,302 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 考点手册
专题: 概率论 第3讲 · 多维随机变量及其分布 · 考点手册
日期: 2026-10-13
关联: "[[README]] · [[02-试题]] · [[03-解析]]"
---
# 概率论 第3讲 · 多维随机变量及其分布 · 考点手册
> **来源记号**:🟦 视频讲次 · 🟨 真题库第 17 章 · 🟩 参考仓库方法。
> **学习法**:先通读一遍建立框架 → 做 [[02-试题]] → 对 [[03-解析]] → 回本手册补齐薄弱点。
---
## 0. 本讲定位与学习地图
**为什么重要** 🟨:真题库第 17 章(多维随机变量及其分布)近十年 **11 题、105 分**,概率各章之最,且**年年一道 11–12 分解答题**,结构高度固定:
> **二维密度/分布 → 求某个函数的分布 → 顺带求协方差 / 判断独立性**。
**六讲次 → 本手册章节映射** 🟦:
| 视频讲次 | 本手册章节 |
|---|---|
| 01 n 维随机变量及其分布函数 | §1 |
| 02/03 两类二维变量(离散/连续) | §2、§3 |
| 04 随机变量的相互独立性 | §4 |
| 05/06 多维随机变量函数的分布 | **§5(核心,含雅可比)** |
| 07 综合题举例 | §6、§7 |
**一句话主线**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。**
---
## 1. 二维随机变量与联合分布函数 🟦01
### 1.1 概念
设 $X,Y$ 是定义在**同一样本空间**上的随机变量,称 $(X,Y)$ 为**二维随机变量**(二维随机向量)。$n$ 个即为 $n$ 维。
### 1.2 联合分布函数
$$F(x,y)=P\{X\le x,\ Y\le y\}.$$
**几何意义**:平面上以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。
### 1.3 四条性质(与一维对应,多一条)
1. **单调不减**:对 $x$、对 $y$ 各自单调不减;
2. **右连续**:$F(x+0,y)=F(x,y)$,$F(x,y+0)=F(x,y)$;
3. **有界性**:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;
4. **非负矩形增量**(二维**特有**):
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0.$$
> **用途**:判断"某二元函数能否当联合分布函数"。反例:$F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}$ **不合法**——它虽满足前三条,但在 $x_1=-1,x_2=1,y_1=-1,y_2=1$ 上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$。
### 1.4 边缘分布函数 🟩
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
**口诀**(仓库原话):**求谁不积谁,不积先定限,限内画条线,先交写下限,后交写上限。**
---
## 2. 二维离散型随机变量 🟦02 🟨2016·8
### 2.1 联合分布律
$$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
**充要条件**:$p_{ij}\ge0$ 且 $\displaystyle\sum_i\sum_j p_{ij}=1$。
### 2.2 三类分布(表格记忆法)
把 $p_{ij}$ 写成矩形表:
| $X\backslash Y$ | $y_1$ | $y_2$ | $\cdots$ | $p_{i\cdot}$ |
|---|---|---|---|---|
| $x_1$ | $p_{11}$ | $p_{12}$ | $\cdots$ | $p_{1\cdot}$ |
| $x_2$ | $p_{21}$ | $p_{22}$ | $\cdots$ | $p_{2\cdot}$ |
| $\vdots$ | | | | |
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
- **边缘**:行和 $p_{i\cdot}=\sum_j p_{ij}$、列和 $p_{\cdot j}=\sum_i p_{ij}$(表格最右列、最下行);
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$(要求 $p_{\cdot j}>0$),$P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$;
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。
### 2.3 常见模型
- **放球模型**🟩:$n$ 封信投 $m$ 个信箱,$(X_1,X_2)$ 为前两箱信封数,联合分布为多项分布型。
- **多项分布**🟨2016·8:$n$ 次独立试验,$X_i$ 为第 $i$ 类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$。
---
## 3. 二维连续型随机变量 🟦02/03 🟨2016·22、2021·22、2023·22
### 3.1 联合概率密度
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv.$$
**充要条件**:$f\ge0$,$\displaystyle\iint_{\mathbb R^2}f=1$。改有限个点的值仍是密度。
- **区域概率**:$P\{(X,Y)\in G\}=\iint_G f\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);
- 在 $f$ 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$。
### 3.2 边缘密度
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx.$$
> ⚠️ **联合决定边缘,边缘不决定联合**:不同联合可共享同一对边缘。
> - **矩形域 + 密度可分离** ⟹ **一眼独立**;
> - **非矩形域** ⟹ **一眼不独立**。
### 3.3 条件密度
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (f_X(x)>0),\qquad f_{X|Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}.$$
**乘法公式**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。
> **求条件密度的标准动作**:① 先求 $f_X(x)$;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$;③ 写清 $y$ 的**条件范围**。
### 3.4 二维均匀分布
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
几何概型的升维:**概率 = 面积占比**。
### 3.5 二维正态分布(深挖)🟩
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.$$
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}$$
**五条必背性质**:
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$;
2. $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;
3. **任意线性组合** $aX+bY$($a,b$ 不全为 0)仍服从正态;
4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$;
5. **不相关 $\iff$ 独立**(二维正态专属特权)。
> **识别技巧**🟩:看到 $F(x,y)=\Phi(2x+1)\Phi(2y-1)$ 这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$,立刻读出 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$。
---
## 4. 随机变量的相互独立性 🟦04 🟨2016·22、2019·22、2023·22
### 4.1 定义(三等价)
$$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}.$$
### 4.2 性质
- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立;
- 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$,$D(aX\pm bY)=a^2DX+b^2DY$;
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
### 4.3 判断独立性三步走(考场流程)
1. 求 $f_X(x)$、$f_Y(y)$;
2. **看取值区域**——是不是**矩形**(非矩形基本可判不独立);
3. 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$。
> **特例**:圆形域、三角形域、$0<y<x$ 型区域 ⟹ 一律不独立(除非密度恰可分离且区域矩形)。
### 4.4 独立 vs 不相关(高频概念题)🟨2019·22、2025·8
$$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qquad \text{不相关}\ \not\Longrightarrow\ \text{独立(一般情形)}.$$
**唯一例外**:**二维正态**时二者等价。
**经典反例**:$X\sim U(-1,1)$,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**($Y$ 是 $X$ 的偶函数)。
---
## 5. 多维随机变量函数的分布 ★核心 🟦05/06 🟨2017·22、2018·22、2019·8、2019·22、2020·22、2021·22
### 5.0 三条总路线(选择依据)
| 路线 | 何时用 | 关键 |
|---|---|---|
| **① 分布函数法(定义法)** | 给**联合密度**、求**单个函数**的分布 | $F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 |
| **② 雅可比变换法** | 视频推荐 · 求**多个新变量**的联合密度 / 函数分布 | 反解 + $f_{UV}=f\cdot\lvert J\rvert$ |
| **③ 卷积公式** | X,Y **独立**、求 $Z=X\pm Y$ 等 | 把二维密度降成一重积分 |
> **选择口诀**:**单个函数 → 定义法;多变量/显式变换 → 雅可比;独立且求和差 → 卷积分。**
---
### 5.1 分布函数法(通法,必掌握)
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm dx\,\mathrm dy,\qquad f_Z(z)=F_Z'(z).$$
**四步**:① 写 $F_Z(z)$;② 画图定 $g\le z$ 的区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。
> **优点**:万无一失(第 15、18 题用它);**缺点**:分段讨论繁。
---
### 5.2 雅可比行列式变换法(视频推荐,重点补)🟦05/06
**二维变换定理**:设 $(X,Y)$ 的联合密度为 $f_{XY}(x,y)$,变换
$$u=u(x,y),\qquad v=v(x,y)$$
满足:① 在 $(X,Y)$ 的取值区域 $D$ 上存在**唯一的逆变换** $x=x(u,v),\ y=y(u,v)$;② 有连续偏导数;③ 雅可比行列式 $J\ne0$。则 $(U,V)$ 的联合密度为
$$\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}$$
其中
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix},$$
取值区域 $D'$ 是 $D$ 在变换下的**像**(把 $D$ 的边界用 $u,v$ 表示)。
**求单个函数 $Z=g(X,Y)$ 的密度 —— 增补变量三步法**:
1. **增补**一个辅助变量(常取 $V=X$ 或 $V=Y$),凑成二维一一变换;
2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$;
3. 对辅助变量积分得**边缘**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$。
**三条常用变换(务必记熟 $J$)**:
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|---|---|---|---|---|
| 和 $Z=X+Y$ | $V=X$ | $x=v,\ y=z-v$ | $1$ | $f_Z(z)=\displaystyle\int f(v,z-v)\,\mathrm dv$ |
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\dfrac1{\lvert v\rvert}$ | $f_Z(z)=\displaystyle\int\frac{1}{\lvert v\rvert}f\big(v,\tfrac zv\big)\,\mathrm dv$ |
| 商 $Z=\dfrac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $f_Z(z)=\displaystyle\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
> **验算**:以"和"为例,$x=v,\ y=z-v$;$J=\det\begin{vmatrix}0&1\\1&-1\end{vmatrix}=-1$,$\lvert J\rvert=1$,故 $f_Z(z)=\int f(v,z-v)\mathrm dv$ —— 正是**卷积公式**。**雅可比法把卷积"推导"出来了**,理解后不必死记。
**一一性的坑** 🔴:若变换**非一一**(如 $Z=X^2$、$Z=X^2+Y^2$ 反解多值),雅可比法要**按分支求和**:
$$f_Z(z)=\sum_{\text{各分支}} f\big(x_k(z)\big)\left\lvert \frac{\mathrm dx_k}{\mathrm dz}\right\rvert.$$
否则改用**分布函数法**(第 18 题的 $Z=X^2+Y^2$ 就走定义法)。
**一维版本**(前置知识):若 $Y=g(X)$ 在 $X$ 的取值区间上**单调可导**且 $g'\ne0$,则
$$f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.$$
> 例:$X\sim U(0,2)$,$Y=X^2$ 在 $(0,2)$ 单调,$x=\sqrt y$,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$。
**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$,
$$\iint_D f\,\mathrm dx\,\mathrm dy=\iint_{D'} f(r\cos\theta,r\sin\theta)\,r\,\mathrm dr\,\mathrm d\theta.$$
> 凡"到原点距离"的函数($X^2+Y^2$、$\sqrt{X^2+Y^2}$、$\sqrt{X^2+Y^2}\le z$ 的区域)一律先转极坐标。
---
### 5.3 和的分布(卷积)
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,\mathrm dx\ \xrightarrow{\ X,Y\text{ 独立}\ }\ \int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx.$$
**两个标准结论**(背下来):
- 两个 $U(0,1)$ 之和 → **辛普森(三角形)分布**:$f_Z(z)=z\ (0<z<1)$,$2-z\ (1\le z<2)$;
- $X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)$ 独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
### 5.4 差的分布
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)\,\mathrm dx\quad(\text{独立时}=\int f_X(x)f_Y(x-z)\,\mathrm dx).$$
> 正态差:$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$。**同方差正态差** $X-Y\sim N(0,2\sigma^2)$,与 $\mu$ 无关 🟨2019·8。
### 5.5 积的分布
$$f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).$$
### 5.6 商的分布
$$f_Z(z)=\int_{-\infty}^{+\infty}\lvert x\rvert f(x,zx)\,\mathrm dx\quad(\text{独立时}=\int\lvert x\rvert f_X(x)f_Y(zx)\,\mathrm dx).$$
### 5.7 最值分布
$$F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-\big[1-F_X(z)\big]\big[1-F_Y(z)\big].$$
> 若 $X,Y$ 独立同分布(分布函数 $F$、密度 $f$):$f_{\max}(z)=2F(z)f(z)$;$f_{\min}(z)=2[1-F(z)]f(z)$。
### 5.8 混合型(一个离散、一个连续)——全概率公式 🟨2017·22、2020·22、2025·22
设 $X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:
$$F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.$$
> **本质**:把离散变量的每个取值当作一个**权重**,分别平移后加权叠加。
> **例**:$P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$。
### 5.9 混合正态(综合题常客)🟨2020·22
形如 $Y=X_3X_1+(1-X_3)X_2$($X_3$ 取 0/1,$X_1,X_2\sim N(0,1)$):
用**全概率 + $\Phi$ 的乘法**:
$$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
结论常是"**证明 $Y$ 仍服从标准正态**"。
---
## 6. 与数字特征的耦合(本讲的"配件")🟦07 🟨2022·10、2024·9、2025·8
- **期望的二维公式**(不必先求分布):$E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g(x,y)f\,\mathrm dx\,\mathrm dy$;
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$;
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$;
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$。
---
## 7. 十年真题落点地图(🟨 第 17 章 11 题)
| 年份·题号 | 分值 | 考法 | 关键动作 |
|---|---|---|---|
| 2016·22 | 11 | 二维均匀 + 离散化 $U$ + $Z=U+X$ 分布函数 | 判独立 + 分布函数法 |
| 2017·22 | 11 | 混合型 $Z=X+Y$ | 全概率 + $P\{Y\le EY\}$ |
| 2018·22 | 11 | $Z=XY$ + 协方差 | 积分布 + $\operatorname{Cov}$ |
| 2019·8 | 4 | 正态差 $\lvert X-Y\rvert$ | $X-Y\sim N(0,2\sigma^2)$ |
| 2019·22 | 11 | $Z=XY$ 密度 + 不相关 + 独立性 | 反解两分支求和 |
| 2020·22 | 11 | 混合正态 + 证明 $Y\sim N(0,1)$ | 全概率 + $\Phi$ |
| 2021·22 | 11 | 取点分段 + 商分布 $Z=Y/X$ | 几何概型 + 商的密度 |
| 2022·10 | 5 | 条件分布求相关系数 | $Y\mid X=x\sim N(x,1)$ |
| 2023·22 | 12 | 圆形域密度 + $\operatorname{Cov}$ + 独立 + $Z=X^2+Y^2$ | 极坐标 |
| 2024·9 | 5 | 条件均匀分布 + 协方差 | $f=f_Xf_{Y\mid X}$ |
| 2025·22 | 12 | 复合分布 + 混合概率模型 | 全概率 + 复合 |
**跨章牵连**(数字特征/条件分布):2016·8、2020·14、2021·16、2022·8、2024·10、2025·8。
---
## 8. 速查卡 · 陷阱清单
### 8.1 十句速记
1. **联合决定边缘,边缘不决定联合**;
2. **区域不是矩形 ⟹ 立刻怀疑不独立**;
3. **独立 ⟹ 不相关;不相关 ⇏ 独立**(二维正态除外);
4. **混合型 = 全概率公式**(离散变量当权重);
5. **单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积**;
6. **雅可比用反解的行列式** $J=\dfrac{\partial(x,y)}{\partial(u,v)}$,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$(互为倒数,取绝对值不影响结果,但要对);
7. **非一一变换要按分支求和**,否则漏项;
8. **圆形域先极坐标**,$J=r$;
9. **条件密度是对另一个变量求导/积分的商**,注意条件范围;
10. **二维正态 $\sigma$ 是标准差**,代公式别把 $\sigma^2$ 用错。
### 8.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 边缘积分上下限照抄联合定义域 | **画图**取交集,分段讨论 |
| 判独立只看一个点就下"独立"结论 | 独立要**全部** $p_{ij}=p_{i\cdot}p_{\cdot j}$;不独立**找一个反例**即可 |
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$,行列式用**反解**的 |
| $Z=X^2+Y^2$ 硬套雅可比 | 反解多值,**改走分布函数法** |
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$,权重和必须为 1 |
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$(都是标准差之积) |
| 正态线性组合忘了 $\rho$ 交叉项 | $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ |
---
> **下一步**:开做 [[02-试题]](19 题,约 95 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
@@ -0,0 +1,91 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 试题
专题: 概率论 第3讲 · 多维随机变量及其分布 · 试题(19 题)
日期: 2026-10-13
题量: 19 题(A 基础 6 / B 中等 8 / C 拔高 5)
建议用时: 95 分钟(可拆两天)
关联: "[[01-考点手册]] · [[03-解析]]"
---
# 概率论 第3讲 · 多维随机变量及其分布 · 试题
> **用法**:先过一遍 [[01-考点手册]],再**限时**做本卷,最后对 [[03-解析]]。
> **来源记号**:🟨 真题库第 17 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,做完可刷真题原题。
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
---
## A 组 · 基础(识别与直接计算,★☆☆)
**1.** 【离散型 · 联合→边缘→独立性 🟦02】设 $(X,Y)$ 的联合分布律为
| $X\backslash Y$ | 0 | 1 | 2 |
|---|---|---|---|
| **1** | 0.1 | 0.2 | 0.1 |
| **2** | 0.2 | 0.3 | 0.1 |
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
**2.** 【二维均匀分布 🟦01】设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
(Ⅰ)写出 $(X,Y)$ 的概率密度 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
**3.** 【边缘密度 + 独立性 🟦02】设 $(X,Y)$ 的概率密度为
$$f(x,y)=\begin{cases}c\,xy,&0<x<1,\ 0<y<2\\0,&\text{其他}\end{cases}$$
(Ⅰ)求 $c$;(Ⅱ)求 $f_X(x),f_Y(y)$;(Ⅲ)判断 $X,Y$ 是否独立。
**4.** 【条件概率密度 🟦03】设 $(X,Y)$ 的概率密度为
$$f(x,y)=\begin{cases}3x,&0<y<x<1\\0,&\text{其他}\end{cases}$$
(Ⅰ)求 $f_X(x)$;(Ⅱ)求条件密度 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P\{Y<\tfrac12 \mid X=\tfrac34\}$。
**5.** 【卷积 · 和的分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$。
**6.** 【概念辨析 · 独立与不相关 🟦04】设 $X,Y$ 为随机变量,则下列命题**正确**的是( )
- (A)若 $X,Y$ 都服从正态分布且 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 相互独立;
- (B)若 $(X,Y)$ 服从二维正态分布,则 $X,Y$ 不相关与相互独立等价;
- (C)若 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 一定相互独立;
- (D)若 $X,Y$ 相互独立,则 $\operatorname{Cov}(X,Y)$ 可以不为 $0$。
## B 组 · 中等(多步计算,★★☆)
**7.** 【商分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
**8.** 【连续型独立性 🟦03】设 $(X,Y)$ 在单位圆 $D=\{(x,y)\mid x^2+y^2\le1\}$ 上服从均匀分布。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断 $X,Y$ 是否独立。
**9.** 【积分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,2)$ 且相互独立,$Z=XY$。求 $f_Z(z)$。
**10.** 【混合型 · 和 🟦05】设 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $Z$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
**11.** 【不相关但不独立 🟦04】设 $X\sim U(-1,1)$,$Y=X^2$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$,并判断 $X,Y$ 是否独立。
**12.** 【最值分布 🟩】设 $X,Y$ 相互独立且都服从参数为 $\lambda$ 的指数分布,$Z=\max(X,Y)$。求 $Z$ 的分布函数与概率密度。
**13.** 【二维正态综合 🟩】设 $(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写出 $X,Y$ 的边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
**14.** 【取点分段 · 几何概型 🟦07】在区间 $(0,1)$ 上随机取一点,将区间分成两段,较短的一段长度为 $X$。求 $X$ 的概率密度。
## C 组 · 拔高(综合与辨析,★★★)
**15.** 【二维均匀 + 离散化 + 分布函数法 · **真题骨架 2016·22** 🟨】设 $(X,Y)$ 在三角形区域 $D=\{(x,y)\mid 0<y<x<1\}$ 上服从均匀分布,令
$$U=\begin{cases}1,&Y\le\dfrac X2\\[4pt]0,&Y>\dfrac X2\end{cases}$$
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{U=1,\,X\le x\}$,并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
**16.** 【条件均匀分布 → 相关系数 · **真题骨架 2022·10 / 2024·9** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 条件下 $Y\sim U(0,x)$。求相关系数 $\rho_{XY}$。
**17.** 【混合正态 · **真题骨架 2020·22** 🟨】设 $X_1,X_2,X_3$ 相互独立,$X_1,X_2\sim N(0,1)$,且 $P\{X_3=1\}=P\{X_3=-1\}=\dfrac12$。令
$$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2.$$
(Ⅰ)求 $(X_1,Y)$ 的分布函数 $F(x,y)$(用标准正态分布函数 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
**18.** 【圆形区域密度 + 函数分布 · **真题骨架 2023·22** 🟨】设 $(X,Y)$ 的概率密度为
$$f(x,y)=\begin{cases}c\sqrt{x^2+y^2},&x^2+y^2\le1\\0,&\text{其他}\end{cases}$$
(Ⅰ)求常数 $c$;(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否独立;(Ⅳ)求 $Z=X^2+Y^2$ 的概率密度 $f_Z(z)$。
**19.** 【雅可比行列式变换法 · 视频推荐 🟦05/06】设 $(X,Y)$ 的概率密度为
$$f(x,y)=\begin{cases}e^{-(x+y)},&x>0,\ y>0\\0,&\text{其他}\end{cases}$$
令 $U=X+Y$,$V=\dfrac{X}{X+Y}$。
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
(Ⅱ)判断 $U$ 与 $V$ 是否独立,并写出各自的分布($U$ 服从什么分布、$V$ 服从什么分布)。
@@ -0,0 +1,210 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 解析
专题: 概率论 第3讲 · 多维随机变量及其分布 · 解析(19 题)
日期: 2026-10-13
关联: "[[01-考点手册]] · [[02-试题]]"
---
# 概率论 第3讲 · 多维随机变量及其分布 · 解析
> 每题含 **答案 / 思路 / 易错点**,标「真题骨架」的题给出对应真题。
---
## A 组 · 基础
### 1.(Ⅰ)行和、列和:
| $X\backslash Y$ | 0 | 1 | 2 | $p_{i\cdot}$ |
|---|---|---|---|---|
| **1** | 0.1 | 0.2 | 0.1 | **0.4** |
| **2** | 0.2 | 0.3 | 0.1 | **0.6** |
| $p_{\cdot j}$ | **0.3** | **0.5** | **0.2** | 1 |
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$。
**(Ⅱ)** 取 $p_{11}=0.1$,而 $p_{1\cdot}p_{\cdot1}=0.4\times0.5=0.2\ne0.1$,故 **$X$ 与 $Y$ 不相互独立**。
> **思路**:判独立要"全部成立",否定只需**找一对反例**。
> **易错点**:$p_{ij}$ 与 $p_{i\cdot}p_{\cdot j}$ 下标要对齐($X=1$ 是第 1 行、$Y=0$ 是第 1 列)。
### 2.(Ⅰ)$S_D=\dfrac12$,
$$f(x,y)=\begin{cases}2,&0\le x\le1,\ 0\le y\le x\\0,&\text{其他}\end{cases}$$
**(Ⅱ)** 在 $D$ 内 $x+y\le1\Rightarrow y\le\min(x,1-x)$:$0\le x\le\frac12$ 上限 $x$;$\frac12\le x\le1$ 上限 $1-x$。
$$P\{X+Y\le1\}=2\left[\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx\right]=2\left(\frac18+\frac18\right)=\frac12.$$
> **易错点**:**先画图再定限**,$y=x$ 与 $y=1-x$ 把区域切成两段。
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$。
**(Ⅱ)** $f_X(x)=\displaystyle\int_0^2xy\,\mathrm dy=2x\ (0<x<1)$;$f_Y(y)=\displaystyle\int_0^1xy\,\mathrm dx=\dfrac y2\ (0<y<2)$。
**(Ⅲ)** $f_X(x)f_Y(y)=2x\cdot\dfrac y2=xy=f(x,y)$,故 **$X,Y$ 相互独立**。
> **思路**:矩形域 + 密度可分离 ⟹ 一眼独立。
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$。
**(Ⅱ)** $f_{Y|X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$。
**(Ⅲ)** $P\{Y<\tfrac12\mid X=\tfrac34\}=\displaystyle\int_0^{1/2}\frac{1}{3/4}\,\mathrm dy=\frac43\cdot\frac12=\frac23$。
> **易错点**:条件密度是 $y$ 的函数(对 $x$ 是常数);$\tfrac12<\tfrac34$ 故上限直接取 $\tfrac12$。
### 5. $f(x,y)=1$(单位正方形)。$f_Y(z-x)=1\iff z-1<x<z$,与 $(0,1)$ 取交:
- $0<z<1$:$f_Z(z)=\int_0^z\mathrm dx=z$;
- $1\le z<2$:$f_Z(z)=\int_{z-1}^1\mathrm dx=2-z$。
$$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
> **真题骨架**:🟨2017·22 同款和分布(离散+连续),见第 10 题混合版。
### 6. 选(B)。
- (A)错:两正态若**不联合正态**,不相关推不出独立(反例见第 11 题);
- (C)错:不相关 $\ne$ 独立;
- (D)错:独立**一定**推出 $\operatorname{Cov}=0$(方差存在时);
- (B)对:二维正态的"特权"。
---
## B 组 · 中等
### 7. $Z=\dfrac YX$,用商的密度公式($f_{XY}=1$ 在单位正方形)
$$f_Z(z)=\int_0^1 x\,f_Y(zx)\,\mathrm dx,\qquad f_Y(zx)=1\iff 0<x<\frac1z.$$
- $0<z<1$:上限 $1$,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$;
- $z\ge1$:上限 $\dfrac1z$,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$。
$$f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[4pt]\dfrac{1}{2z^2},&z\ge1\\[2pt]0,&z<0\end{cases},\qquad P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\,\mathrm dz=\frac12.$$
> **真题骨架**:🟨2021·22(Ⅱ) 求 $Z=Y/X$ 密度。
> **雅可比视角**:增补 $V=X$,$x=v,y=zv$,$\lvert J\rvert=\lvert v\rvert$,$f_{ZV}(z,v)=\lvert v\rvert f(v,zv)$,再对 $v$ 积分,结果一致。
### 8.(Ⅰ)圆盘均匀 $f=\dfrac1\pi$,对 $y$ 积分($-\sqrt{1-x^2}\sim\sqrt{1-x^2}$):
$$f_X(x)=\frac1\pi\cdot2\sqrt{1-x^2}=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1).$$
**(Ⅱ)** $f_X(x)f_Y(y)=\dfrac4{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac1\pi=f(x,y)$,故 **$X,Y$ 不独立**。
> **秒杀**:取值区域是**圆**(非矩形),一步否定。
### 9. $f(x,y)=\dfrac12$($0<x<1,0<y<2$),$Z=XY$:
$$f_Z(z)=\int\frac1x\cdot\frac12\cdot\mathbb 1\{0<\tfrac zx<2\}\,\mathrm dx,\qquad 0<\frac zx<2\iff x>\frac z2.$$
对 $0<z<2$,$x\in\big(\tfrac z2,1\big)$:$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$。
$$f_Z(z)=\begin{cases}\dfrac12\ln\dfrac2z,&0<z<2\\0,&\text{其他}\end{cases}$$
> **真题骨架**:🟨2018·22、2019·22 的 $Z=XY$。
> **雅可比视角**:增补 $V=X$,$x=v,y=z/v$,$\lvert J\rvert=1/\lvert v\rvert$,结果一致。
### 10. 全概率(离散 $X$ 拆权重):
$$F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1),\qquad F_Y(t)=0\,(t<0),\ t\,(0\le t<1),\ 1\,(t\ge1).$$
- $z<0$:$0$;$0\le z<1$:$\dfrac z2$;$1\le z<2$:$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$;$z\ge2$:$1$。
$$F_Z(z)=\begin{cases}0,&z<0\\ \dfrac z2,&0\le z<2\\1,&z\ge2\end{cases}\ \Longrightarrow\ f_Z(z)=\begin{cases}\dfrac12,&0<z<2\\0,&\text{其他}\end{cases}\ (\textbf{即 }Z\sim U(0,2))$$
> **易错点**:$F_Y(z-1)$ 也要分段;两段在 $z=1$ 处须连续(此处恰好拼成 $\frac z2$)。
### 11. $EX=0$,$EY=E(X^2)=\displaystyle\int_{-1}^1x^2\cdot\frac12\mathrm dx=\frac13$,$E(XY)=E(X^3)=0$。
$$\operatorname{Cov}(X,Y)=0,\qquad \rho_{XY}=0.$$
但 $Y=X^2$ 是 $X$ 的函数,二者**不独立**。
> **结论**:**不相关 $\ne$ 独立**的教科书反例(偶函数型)。
### 12. $F_Z(z)=F_X(z)F_Y(z)=(1-e^{-\lambda z})^2\ (z>0)$,$z\le0$ 为 0。求导:
$$f_Z(z)=2\lambda e^{-\lambda z}(1-e^{-\lambda z})=2\lambda\big(e^{-\lambda z}-e^{-2\lambda z}\big)\quad(z>0).$$
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$(仍服从指数分布,参数 $2\lambda$)。
### 13.(Ⅰ)$X\sim N(1,1)$,$Y\sim N(2,4)$。
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$;$D(X+Y)=1+4+2\times1=7$。
**(Ⅲ)** $E(Y\mid X=x)=2+0.5\times2\times(x-1)=x+1$。
> **易错点**:$\dfrac{\sigma_2}{\sigma_1}=\dfrac21$(**标准差**),不是 $\dfrac41$。
### 14. 设切点 $U\sim U(0,1)$,$X=\min(U,1-U)\in(0,\tfrac12)$:
$$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\begin{cases}2,&0<x<\frac12\\0,&\text{其他}\end{cases}$$
> **真题骨架**:🟨2021·22(Ⅰ)。
---
## C 组 · 拔高
### 15.(Ⅰ)$S_D=\dfrac12$,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
**(Ⅱ)** $U=1\iff Y\le\dfrac X2$。对 $0<x\le1$:
$$P\{U=1,\ X\le x\}=\int_0^x\mathrm dt\int_0^{t/2}2\,\mathrm dy=\int_0^x t\,\mathrm dt=\frac{x^2}{2}.$$
又 $P\{U=1\}=\dfrac12$、$F_X(x)=x^2$,且 $\dfrac{x^2}{2}=P\{U=1\}F_X(x)$,故 **$U$ 与 $X$ 相互独立**。
> **反直觉点**:$U$ 是 $(X,Y)$ 的函数却与 $X$ 独立——因为在三角形内 $P\{U=1\mid X=x\}=\dfrac{x/2}{x}=\dfrac12$ **与 $x$ 无关**。
**(Ⅲ)** 由独立,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$,$f_X(x)=2x\ (0<x<1)$:
$$f_Z(z)=\begin{cases}z,&0<z<1\\ z-1,&1\le z<2\\0,&\text{其他}\end{cases},\qquad
F_Z(z)=\begin{cases}0,&z<0\\[2pt]\dfrac{z^2}{2},&0\le z<1\\[4pt]\dfrac12+\dfrac{(z-1)^2}{2},&1\le z<2\\[4pt]1,&z\ge2\end{cases}$$
> **真题骨架**:🟨2016·22(均匀域 → 离散化 $U$ → 判独立 → $Z=U+X$ 分布函数),仅区域/分界改为 $y=x/2$。
### 16. $f(x,y)=\dfrac1x\ (0<y<x<1)$($f_X=1$,$f_{Y|X}=1/x$)。
- $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;
- $f_Y(y)=-\ln y$,$EY=\dfrac14,\ EY^2=\dfrac19,\ DY=\dfrac7{144}$;
- $E(XY)=\displaystyle\int_0^1\!\!\int_0^x xy\cdot\frac1x\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x^2}{2}\,\mathrm dx=\frac16$。
$$\operatorname{Cov}=\frac16-\frac12\cdot\frac14=\frac1{24},\qquad \rho_{XY}=\frac{1/24}{\sqrt{1/12}\cdot\sqrt{7/144}}=\sqrt{\frac37}\approx0.655.$$
> **思路**:条件分布型先写 $f=f_Xf_{Y|X}$,再算三个期望。
> **常用积分**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$。
### 17.(Ⅰ)$X_3$ 取 $\pm1$,用全概率:
- $X_3=1$:$Y=X_1$,贡献 $P\{X_1\le x,\ X_1\le y\}=\Phi(\min\{x,y\})$;
- $X_3=-1$:$Y=X_2$,由独立贡献 $\Phi(x)\Phi(y)$。
$$F(x,y)=\frac12\Phi(\min\{x,y\})+\frac12\Phi(x)\Phi(y).$$
**(Ⅱ)** $x\to+\infty$ 得 $F_Y(y)=\dfrac12\Phi(y)+\dfrac12\Phi(y)=\Phi(y)$,故 **$Y\sim N(0,1)$**。
> **真题骨架**:🟨2020·22(原题 $X_3\in\{0,1\}$,此处对称化为 $\pm1$)。
### 18.(Ⅰ)极坐标 $\mathrm dx\,\mathrm dy=r\,\mathrm dr\,\mathrm d\theta$:
$$1=c\int_0^{2\pi}\!\!\int_0^1 r\cdot r\,\mathrm dr\,\mathrm d\theta=c\cdot2\pi\cdot\frac13\ \Rightarrow\ c=\frac{3}{2\pi}.$$
**(Ⅱ)** 区域对称 + 密度偶 ⟹ $EX=EY=0$,$E(XY)=0$,故 $\operatorname{Cov}(X,Y)=0$。
**(Ⅲ)** $f_X(x)$ 不是 $f_X(x)f_Y(y)$ 的分解形式,$f(x,y)=c\sqrt{x^2+y^2}\ne f_Xf_Y$,故 **$X,Y$ 不独立**。
**(Ⅳ)** $0<z<1$:
$$F_Z(z)=\int_0^{2\pi}\!\!\int_0^{\sqrt z}\frac{3}{2\pi}r\cdot r\,\mathrm dr\,\mathrm d\theta=\frac{3}{2\pi}\cdot2\pi\cdot\frac{z^{3/2}}{3}=z^{3/2}\ \Rightarrow\ f_Z(z)=\begin{cases}\dfrac32\sqrt z,&0<z<1\\0,&\text{其他}\end{cases}$$
> **真题骨架**:🟨2023·22(把原题 $f=c(x^2+y^2)$ 改为 $c\sqrt{x^2+y^2}$)。
> **技巧**:$Z$ 是"到原点距离的函数" ⟹ **极坐标 + 面积法**,不必硬求 $f_Z$。
### 19.(Ⅰ)反解:由 $u=x+y,\ v=\dfrac{x}{x+y}$ 得
$$x=uv,\qquad y=u(1-v).$$
雅可比行列式(注意是**反解** $(x,y)$ 对 $(u,v)$ 的行列式):
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}v&u\\1-v&-u\end{vmatrix}=v(-u)-u(1-v)=-uv-u+uv=-u.$$
故 $\lvert J\rvert=u$。取值区域:$x>0,y>0\Rightarrow u>0,\ 0<v<1$。于是
$$f_{UV}(u,v)=f\big(uv,\ u(1-v)\big)\cdot\lvert J\rvert=e^{-(uv+u(1-v))}\cdot u=u\,e^{-u},\quad u>0,\ 0<v<1.$$
**(Ⅱ)** 求边缘:
$$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\infty} u e^{-u}\,\mathrm du=1\ (0<v<1).$$
因 $f_{UV}(u,v)=f_U(u)f_V(v)$,故 **$U$ 与 $V$ 相互独立**;且 $U\sim\Gamma(2,1)$(即参数为 1 的 $\chi^2(4)$),$V\sim U(0,1)$。
> **方法总结(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\lvert J\rvert=\left\lvert\dfrac{\partial(x,y)}{\partial(u,v)}\right\rvert$;③ $f_{UV}=f\cdot\lvert J\rvert$,并把定义域一并变换。
> **真题骨架**:本题是"指数分布之和 + 比值"的经典结构,$\Gamma(2,1)$ 的分解结论也是**证明"泊松过程的到达时刻与均匀次序"**的核心引理。
---
## 附 · 出题质量报告
### 考点覆盖(对照 ch17 的 11 道真题)
| 真题 | 考法 | 对应题 | 覆盖 |
|---|---|---|---|
| 2016·22 | 均匀分布+离散化 $U$+函数分布 | **15** | ✅ |
| 2017·22 | 混合型 $Z=X+Y$ | **5 + 10** | ✅ |
| 2018·22 | $Z=XY$+协方差 | **9** | ✅ |
| 2019·8 | 正态差 $\lvert X-Y\rvert$ 分布 | **13** | ◐ 部分 |
| 2019·22 | $Z=XY$+不相关+独立性 | **9 + 11** | ✅ |
| 2020·22 | 混合正态+证明 | **17** | ✅ |
| 2021·22 | 取点分段+商分布 | **14 + 7** | ✅ |
| 2022·10 | 条件分布求相关系数 | **16** | ✅ |
| 2023·22 | 圆形区域+Cov+独立+$X^2+Y^2$ | **18** | ✅ |
| 2024·9 | 条件均匀+协方差 | **4 + 16** | ✅ |
| 2025·22 | 复合分布+混合模型 | **10 + 17** | ◐ 部分 |
### 手法覆盖
和(5、10、15)、差(13)、积(9)、商(7)、最值(12)、平方和(18)、混合型(10、17)、离散化(15)、分布函数法(15、18)、卷积(5、9、10)、**雅可比变换(19,另 7/9/15 给出雅可比视角)**、极坐标(18)。
### 未覆盖方向(供二轮补)
1. 离散型二维函数分布(两离散变量之和的表格题);
2. $\lvert X-Y\rvert$ 的正态差完整选择题(2019·8);
3. 条件期望/全期望递推(留到数字特征章);
4. 一般二维函数联合分布(如 $Y_1=2X_1,\ Y_2=\tfrac13X_2$)——本题第 19 题已示范雅可比通法,可自行扩展;
5. 2025·22 保险赔付应用建模。
@@ -0,0 +1,321 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 答疑
专题: 概率论 第3讲 · 答疑笔记(按题号增量追加)
日期: 2026-10-13
覆盖题目: 第 2 题、第 4 题、第 7 题
关联: "[[README]] · [[01-考点手册]] · [[02-试题]] · [[03-解析]]"
---
# 答疑笔记 · 概率论 第3讲(多维随机变量及其分布)
> 本文件按**题号增量追加**。已完成答疑:
> **第 2 题**(二维均匀分布 + 画图定限,含两处误解纠偏)、**第 4 题**(区域面积 ≠ 1,均匀/非均匀归一化辨析)、**第 7 题**(商分布 $Z=Y/X$ 的雅可比行列式法)。
---
**第 2 题 · 二维均匀分布 + 画图定限**
> 用户反馈:第 2 题卡住。核心卡点是**"二维均匀分布怎么定限求概率"**。本笔记把这道题的完整思考链拆开,并抽出可复用的通用套路。
**题目回顾**
设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
## 一、先认题型:这是"二维均匀分布"
**信号**:题干出现"在区域 $D$ 上服从**均匀分布**"。
**结论**:密度不是给出来的,而是**由区域反算**:
$$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{cases}$$
所以**第一步永远是先求 $D$ 的面积**。
## 二、第(Ⅰ)问:画图 → 求面积 → 写密度
把不等式翻译成图形:$0\le x\le1$(左右夹在 0 和 1 之间)、$0\le y\le x$(在直线 $y=x$ 下方)、$y\ge0$(在 $x$ 轴上方)。
三者合起来是一个**三角形**,三个顶点:
$$(0,0),\quad (1,0),\quad (1,1).$$
> 记忆:**"$0\le y\le x\le1$" = 三角形 $(0,0),(1,0),(1,1)$**,这是最高频的二维区域。
面积 $S_D=\dfrac12\times$ 底 $\times$ 高 $=\dfrac12\times1\times1=\dfrac12$。于是
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\0,&\text{其他}\end{cases}$$
## 三、第(Ⅱ)问:画图定限(真正的坎)
**通用三步**:
1. **画全域 $D$**(三角形,已画);
2. **把条件线画上去**:$x+y=1$ 是一条斜线,过 $(0,1)$ 与 $(1,0)$;
3. **找交集 $G=D\cap\{x+y\le1\}$**:看这条线**在 $D$ 内部**从哪穿进去、又从哪穿出来。
- 与 $y=0$(底边)交于 $(1,0)$;
- 与 $y=x$(斜边)交于 $\big(\tfrac12,\tfrac12\big)$。
于是 $G$ 是三角形 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$。
### 算法 A:面积比法(均匀分布专属捷径)
$$S_G=\frac12\times1\times\frac12=\frac14,\qquad P\{X+Y\le1\}=\frac{S_G}{S_D}=\frac{1/4}{1/2}=\boxed{\frac12}$$
> 均匀分布 = 几何概型升维,**概率 = 面积占比**,连积分都不用算。
### 算法 B:积分法(通用,考场上稳妥)
$$P=\iint_G f\,\mathrm dx\,\mathrm dy=\iint_G 2\,\mathrm dx\,\mathrm dy=2S_G=\frac12$$
**竖直切片**(要分段!):固定 $x$,$y$ 从 $0$ 到 $\min(x,\,1-x)$。
- $0\le x\le\tfrac12$:$y$ 上限是 $x$(此时 $x<1-x$);
- $\tfrac12\le x\le1$:$y$ 上限是 $1-x$(此时 $1-x<x$)。
$$P=2\left[\int_0^{1/2}\!\!\int_0^{x}\mathrm dy\,\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}\mathrm dy\,\mathrm dx\right]=2\left[\frac18+\frac18\right]=\frac12$$
**水平切片**(**不用分段**,更省事):固定 $y$,需 $x\ge y$ 且 $x\le1-y$,故 $x\in[y,\,1-y]$,且要求 $y\le1-y$ 即 $y\le\tfrac12$。
$$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\mathrm dy=2\left[\frac12-\frac14\right]=\frac12$$
## 四、你为什么卡在这里(两个坑)
| 坑 | 表现 | 破解 |
|---|---|---|
| **坑 1:忘记先算面积** | 直接把 $f$ 写错(比如写成 $f=1$) | 均匀分布**第一步必求 $S_D$**,$f=1/S_D$ |
| **坑 2:不画图就套上下限** | 竖直切片时把 $y$ 上限一路写成 $x$,漏了 $x>\tfrac12$ 后要换成 $1-x$ | **先画图**,看条件线从哪里切断区域;切断点就是**分段点** |
> **口诀**(来自 [[01-考点手册]]):
> **求谁不积谁,不积先定限,限内画条线,先交写下限,后交写上限。**
> 再加一句:**条件线切断区域处 → 必须分段**。
## 五、举一反三
遇到"二维均匀 + 求区域概率",标准动作永远是:
1. **画 $D$** → 求 $S_D$ → 写 $f=1/S_D$;
2. **画条件曲线** → 找与 $D$ 边界的**交点**;
3. **面积比**(最快)或 **二重积分**(保险);
4. 积分时能换到**水平切片不分段**的方向,就别硬用竖直切片。
> 同类练手:第 8 题(圆盘均匀,改用极坐标 + 面积比)、第 15 题(三角形域上再叠加离散化)。
---
## 六、误解 1 纠偏:区域是「面」,不是「线」
**用户原话**:「误认为 $y$ 是 0、1 之间的一条线,因为 $x$ 是 0、1 的取值。」
**错在哪**:把 $0\le y\le x\le1$ **当作数轴上的不等式链**来读,于是把二维区域**降维**成了一条线段。真正的读法是"**两个变量各一个不等式**":
$$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
**正确图像("线动成面")**:
- 固定 $x=0.5$:$y\in[0,0.5]$ —— 一条**竖线段**;
- 令 $x$ 从 $0$ 连续变到 $1$:这条竖线段不断变长,**扫出一个三角形** $S_D=\tfrac12$。
> **铁律:不等式里有几个变量,图就画几维。**
> 一个变量 → 数轴上一段区间(长度);两个变量 → 平面上一个区域(**面积**)。
## 七、误解 2 纠偏:事件必须先与 $D$ 求交(这是分布函数法的命门)
**用户原话**:「没想到 $g(x,y)<z$ 要当作全集的子集来处理,以为 $x+y\le1$ 里 $x,y$ 的定义是实数域。」
**错在哪**:只把 $\{X+Y\le1\}$ 当成写在 $\mathbb{R}^2$ 上的**几何条件**,忘了它同时是一个**随机事件**,其积分区域必须裁回 $D$。
**正确公式**($D$ 必须显式出现):
$$P\{X+Y\le1\}=\iint_{\{x+y\le1\}\;\cap\;D}f(x,y)\,\mathrm dx\,\mathrm dy.$$
原因:本题密度为
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\ 0,&(x,y)\notin D\end{cases}$$
**在 $D$ 之外 $f\equiv0$**,所以 $D$ 就是本题的**全集(样本空间)**,$(X,Y)$ 的全部概率只分布在 $D$ 内。任何事件都要"交回 $D$"才是真实积分域。
### 与「分布函数法」总思路的对接
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对 }z\text{ 求导}]{}\ f_Z(z)$$
**必须补全**:$\iint_{g\le z}$ 的真实含义是 $\displaystyle\iint_{\{g\le z\}\,\cap\,\text{支撑集}}f\,\mathrm d\sigma$,本题支撑集即 $D$。
> 每次写 $\{g\le z\}$,**第一反应先跟 $D$ 求交**。这正是"画图定限"背后的数学——找的就是 $\{g\le z\}\cap D$ 这块区域的形状和边界。
## 八、两个误解并列对照(速查)
| | 错误想法 | 实际 | 后果 |
|---|---|---|---|
| **误解 1** | 区域是**一条线**(读成数轴上的不等式链) | 区域是**一个二维面** | $S_D$ 求不出 → $f=1/S_D$ 写错 |
| **误解 2** | 条件写在**整个实数平面**上 | 条件须**与 $D$ 求交**($D$ 是全集) | 积分区域取大 → 概率算错 |
**解题总纲**:拿到题先念一句——"$D$ 是 $0\le y\le x\le1$ 的**三角形**,$(X,Y)$ 只活在这个三角形里"。
这句话同时把"**范围**(形状+面积)"和"**全集**(事件要不要裁剪)"都说清了,两个坑自动规避。
> 一句话口诀:**"在 $D$ 上分布" —— 既是范围,也是全集。**
---
## 九、第 4 题答疑:区域「面积」不是 1,也不该是 1
**用户原话**:「第四题是我算错了还是出错了?我算的 $x,y$ 围成的面积的值不为 1。」
**结论**:**题目无误,用户算的"面积 $=\frac12$"也对** —— 错的只是"面积应该等于 1"这个**前提**。
### 症结:把「均匀分布」的规则当成了通用规则
用户把第 2 题的 $f=1/S_D$(面积进分母)套到了第 4 题。但第 4 题是**非均匀分布**,常数与面积无关。
> **归一化的对象是「密度的积分」,不是「区域的面积」**:
> $$\iint_D f(x,y)\,\mathrm dx\,\mathrm dy=1,\qquad\textbf{而不是}\ S_D=1.$$
### 第 4 题常数 $3$ 的来源
$$\iint_D 3x\,\mathrm dx\,\mathrm dy=\int_0^1\!\!\int_0^x 3x\,\mathrm dy\,\mathrm dx=\int_0^1 3x\cdot x\,\mathrm dx=3\int_0^1 x^2\,\mathrm dx=3\times\frac13=1\ \checkmark$$
常数 $3$ 是为使积分凑成 1 而确定的,**与 $S_D=\frac12$ 无关**。
### 三题对照(关键表)
| 题 | 分布 | 区域面积 | 常数 | 常数来源 |
|---|---|---|---|---|
| **2** | 均匀($f\equiv2$) | $\frac12$ | $2=\frac{1}{1/2}$ | 常数 × 面积 = 1 ⟹ $f=1/S_D$ |
| **3** | 非均匀($f=cxy$) | $2$(矩形) | $c=1$ | $\iint cxy=c\cdot1=1$,**面积 2 未进分母** |
| **4** | 非均匀($f=3x$) | $\frac12$ | $3$ | $\iint 3x=1$,**面积 $\frac12$ 未进分母** |
> **第 3 题是最强的反例**:面积 $=2$,若按"面积进分母"会得 $c=\frac12$,正确答案却是 $c=1$。
### 附带纠正:密度可以大于 1
第 2 题 $f=2$、第 4 题 $x\to1^-$ 时 $f=3x\to3$,**均 > 1**,完全正常。密度不是概率,**只有积分才是概率**。须丢弃"密度值必小于 1""常数必等于 $1/$面积"这类直觉。
### 判别口诀
> **只有题干出现"在 $D$ 上服从均匀分布"才可用 $f=1/S_D$;其余一律用 $\iint_D f=1$ 反解常数。**
### 第 4 题三问核对(均正确)
- (Ⅰ)$f_X(x)=\int_0^x 3x\,\mathrm dy=3x^2$($\int_0^1 3x^2\mathrm dx=1\ \checkmark$);$f_Y(y)=\int_y^1 3x\,\mathrm dx=\frac32(1-y^2)$($\int_0^1=\frac32\cdot\frac23=1\ \checkmark$)。
- (Ⅱ)$f_{Y|X}(y\mid x)=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ —— **是均匀的**,即 $Y\mid X=x\sim U(0,x)$。
- (Ⅲ)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$。
> **与第 16 题同构**:第 4 题即"条件均匀型",$f_X(x)=3x^2$ 配 $Y\mid X=x\sim U(0,x)$,验证 $3x^2\cdot\frac1x=3x$ ✓。
---
## 十、第 7 题答疑:商的分布 $Z=Y/X$(雅可比行列式法)
**题目**:$X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
**已知**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$。
### 总思路:增补变量三步法
$Z=g(X,Y)$ 只是**一个**变量,要凑成可逆变换,须**再补一个辅助变量 $V$**:$(X,Y)\leftrightarrow(Z,V)$,用雅可比得 $f_{ZV}$,最后**积掉 $V$**。
### 第 ①步 · 选辅助变量
取 $V=X$(最省事,因 $Z=Y/X$ 中已含 $X$):
$$Z=\frac YX,\qquad V=X .$$
> 为什么取 $V=X$ 最省事?见下文"与商的密度公式的关系"。
### 第 ②步 · 反解 + 雅可比
$$x=v,\qquad y=zv .$$
$$J=\frac{\partial(x,y)}{\partial(z,v)}
=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix}
=\begin{vmatrix}0 & 1\\ v & z\end{vmatrix}
=0\cdot z-1\cdot v=-v,\qquad |J|=v\ (v>0).$$
### 第 ③步 · 联合密度 + **定义域一起变换**
$$f_{ZV}(z,v)=f_{XY}(v,zv)\cdot|J|=1\cdot v=v .$$
定义域:$0<x<1\Rightarrow 0<v<1$;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$。
$$f_{ZV}(z,v)=v,\qquad 0<v<1,\quad 0<z<1/v .$$
> **$(z,v)$ 平面上的积分区域**:竖条 $0<v<1$ 被曲线 $v=1/z$ 截断;$z<1$ 整条竖条可用,$z>1$ 只剩 $v\in(0,1/z)$。**支撑集在 $z$ 方向延伸到 $+\infty$**。
### 第 ④步 · 积掉 $v$
对固定 $z>0$,$v$ 上限为 $\min(1,\,1/z)$:
$$f_Z(z)=\int_0^{\min(1,1/z)}v\,\mathrm dv=\frac12\min\!\left(1,\frac1z\right)^2$$
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[6pt]\dfrac{1}{2z^2},&z\ge1\\[6pt]0,&z<0\end{cases}\ }$$
自检:$\int_0^1\frac12\mathrm dz+\int_1^\infty\frac{1}{2z^2}\mathrm dz=\frac12+\frac12=1\ \checkmark$
### $P\{Z>1\}$
$$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1^{+\infty}=\frac12 .$$
> **几何秒验**:$Z>1\iff Y>X$,单位正方形中 $y>x$ 的面积 $=\frac12$ ✓。
### 几何对照($F_Z(z)$ 即面积)
- $0<z<1$:直线 $y=zx$ 与右边界相交,阴影为**三角形**,面积 $=z/2$;
- $z\ge1$:直线与上边界相交,阴影为**正方形挖去一个三角形**,面积 $=1-\dfrac{1}{2z}$。
**$z=1$(对角线)就是"直线顶到右边"与"顶到上边"的临界点**,即分段点。
### 三个要点
1. **商的密度公式是雅可比的特例**:$f_Z(z)=\displaystyle\int|x|f(x,zx)\mathrm dx$ 中的 $|x|$ **就是 $|J|=v$**。取 $V=X$ 即得该公式,**不必死背**。
2. **换辅助变量结果不变**:取 $V=Y$ ⟹ $x=v/z,\ y=v$,$|J|=\dfrac{v}{z^2}$,$f_{ZV}=\dfrac{v}{z^2}$,$v\in(0,\min(1,z))$,积分后同样得 $\frac12$ 与 $\frac{1}{2z^2}$,说明方法稳健。
3. **陷阱:$EZ$ 不存在**。$EZ=\frac14+\int_1^\infty\frac{1}{2z}\mathrm dz=+\infty$(重尾 $\sim\frac1{2z^2}$)。**比值型分布一阶矩常发散**,此题只能求密度/概率,勿顺手算 $EZ$。
### 易错点清单
1. 雅可比必须用 **$\dfrac{\partial(x,y)}{\partial(z,v)}$(反解的行列式)**,方向别反;
2. **定义域必须一起变换**($0<zv<1$)——分段就在这里;
3. 积分上限是 $\min(1,1/z)$,**分界点 $z=1$**;
4. $f$ 在正方形外为 $0$,支撑集别漏。
---
## 十一、第 7 题补充:两个基本功(雅可比排列 & $z$ 的取值范围)
**用户反馈两处不会**:①雅可比行列式**每一项怎么排**记不住;②**$z$ 的取值范围不会算**。
### 基本功 A:行列式的元素排列 —— 「分子排成行,分母排成列」
记号 $\dfrac{\partial(x,y)}{\partial(z,v)}$ **本身就把答案写好了**:
- **分子** $(x,y)$ → **决定行**(第 1 行 $x$,第 2 行 $y$);
- **分母** $(z,v)$ → **决定列**(第 1 列对 $z$,第 2 列对 $v$);
- **第 $i$ 行第 $j$ 列** = 分子第 $i$ 个变量**对**分母第 $j$ 个变量求偏导。
$$\frac{\partial(x,y)}{\partial(z,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix},\qquad \text{展开}=(\partial_zx)(\partial_vy)-(\partial_vx)(\partial_zy).$$
**方向问题**:两个雅可比互为倒数 $\dfrac{\partial(x,y)}{\partial(u,v)}\cdot\dfrac{\partial(u,v)}{\partial(x,y)}=1$;密度公式要的是 $\left|\dfrac{\partial(\text{旧})}{\partial(\text{新})}\right|$(即 $dx\,dy=|J|\,du\,dv$ 中的因子)。
> **⚡ 考场捷径**:**哪边好算先算哪边,最后取倒数。**
> 本题 $u=y/x,\ v=x$ 由 $x,y$ **直接给出**,故先算正方向:
> $$\frac{\partial(u,v)}{\partial(x,y)}=\begin{vmatrix}-\frac{y}{x^2} & \frac1x\\ 1 & 0\end{vmatrix}=-\frac1x\ \Longrightarrow\ \left|\frac{\partial(x,y)}{\partial(u,v)}\right|=\frac{1}{|-1/x|}=|x|=v\ \checkmark$$
> 与反解路线(得 $-v$)一致。
> **🛡 定心丸**:公式取 **$|J|$(绝对值)**,所以**分子内部、分母内部谁先谁后都无所谓**(写反只差一个负号);**唯一不能错的是"方向"**——分子分母整体颠倒必须**取倒数**。
### 基本功 B:$z$ 的取值范围 —— 四步法
**核心**:$Z$ 的取值范围 = **让不等式组有解的那些 $z$**(即把区域**投影到 $z$ 轴**)。
1. **抄全 $f\ne0$ 的不等式**(唯一信息来源):$0<x<1,\ 0<y<1$;
2. **逐条翻译**(反解 $x=v,\ y=zv$):$0<x<1\to0<v<1$;$0<y<1\to0<zv<1$;
3. **解出 $v$ 的范围**:$0<zv<1\Rightarrow 0<z<1/v\Rightarrow v<1/z$,合并得
$$0<v<\min\!\left(1,\ \frac1z\right)$$
4. **"上界 > 下界" ⟹ $z$ 的范围**:$\min(1,1/z)>0$ ⟺ $z>0$,故 $z\in(0,+\infty)$。
> ⚠️ **除 $v$ 之前必须确认 $v$ 的符号**:若 $v$ 可负,除过去要**变号**并分类讨论。本题 $v=x\in(0,1)>0$,安全。
**💡 关键洞察:那个 $\min$ 一次干了两件事**
| 看 $\min(1,1/z)$ 的什么 | 得到什么 |
|---|---|
| **非空性**(上界 $>0$) | $z$ 的取值范围 $z>0$ |
| **切换点**($1$ 与 $1/z$ 交点 $z=1$) | $f_Z$ 的**分段点** $z=1$ |
⇒ **范围与分段不必分两处算**,写成一个 $\min$ 表达式即可一次到手。
**备用视角**:$Z$ 的范围 = $g$ 在支撑集上的**值域**;上下界出现在**边界/退化处**。$z=y/x$:$y\to0^+$ 给下确界 $0$;$x\to0^+$ 给上确界 $+\infty$。
**举一反三(同一正方形 $(0,1)^2$)**:$X+Y\in(0,2)$、$XY\in(0,1)$、$Y/X\in(0,+\infty)$。**分式型只要分母能趋于 0,范围即无界。**
@@ -0,0 +1,57 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- MOC
专题: 概率论 第3讲 · 多维随机变量及其分布(真题库第 17 章)
日期: 2026-10-13
状态: 已出(考点 + 试题 + 解析 三件分离)
对应视频:
- 01 一、n 维随机变量及其分布函数
- 02/03 二、常见的两类二维随机变量——离散型与连续型
- 04 三、随机变量的相互独立性
- 05 四、多维随机变量函数的分布
- 06 五、多维随机变量函数的分布(续)
- 07 六、综合题举例
---
# 概率论 第3讲 · 多维随机变量及其分布
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
## 一、本文件夹文件
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 本讲全部考点 + 方法库(含**雅可比行列式变换法**) | 学之前/复习时 |
| **[[02-试题]]** | 19 题分层练习(A 基础 / B 中等 / C 拔高),**不含答案** | 限时自测 |
| **[[03-解析]]** | 19 题详解 + 思路 + 易错点 + 真题骨架 | 做完对答案 |
| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(当前:第 2 题 画图定限) | 哪题卡了看哪题 |
## 二、训练目标
- 这一讲是概率论**分值最重**的板块:真题库 **第 17 章**近十年 **11 题、105 分**,年年一道 11–12 分解答题。
- 核心:把一维的分布函数法、密度法**升维**到二维,打通 **联合 ↔ 边缘 ↔ 条件** 换算,掌握**独立性判定**与**随机变量函数分布**两大类问题。
## 三、难度与用时
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|---|---|---|---|---|
| A 基础 | 6(1–6) | 识别与直接计算 | 25 分钟 | ★☆☆ |
| B 中等 | 8(7–14) | 多步计算 | 40 分钟 | ★★☆ |
| C 拔高 | 5(15–19) | 综合与辨析 | 30 分钟 | ★★★ |
| **合计** | **19** | | **约 95 分钟** | 可拆两天 |
## 四、命题依据与来源记号
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 17 章(2016·22、2017·22、2018·22、2019·8、2019·22、2020·22、2021·22、2022·10、2023·22、2024·9、2025·22)。
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/2` 多维章、`knowledge/3` 二维数字特征、`exercise/2`、`exercise/3`)。
- 🟦 **视频**:第 3 讲 6 个讲次(本文件夹对应目录见 frontmatter)。
- **防过拟合**:试题数字与区域全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
## 五、关联
- 上层:[[总览]] · [[README]](每日小练规划)
- 相邻讲次:[[02-数列-加强版]](方法论参考)
- 错题:[[做题本]]